Machine Learning Robots

Ist Machine Learning der Schlüssel für Smart-ITSM?

Daten sind die Währung, der Rohstoff oder gar das Gold des 21. Jahrhunderts. Daten werden in Unmengen gesammelt und für uns schon alle im Alltag sichtbar, gnadenlos ausgeschlachtet. Clevere Marketing-Organisationen haben unser Verhalten in den sozialen Medien längst durchschaut und decken uns mit exakt auf uns passende Werbung ein, egal auf welcher Website wir uns auch tummeln. Wer die Daten und die Interpretation der grossen Daten Mengen (Big Data) beherrscht, dem gehört die Zukunft. Darin sind sich die meisten Research-Organisationen einig. Nun werden Daten oft gesammelt auf Teufel komm raus. Und gleichzeitig sucht man die raren Daten-Analysten, welche Sinnvolles aus den oftmals nicht klar strukturierten Datenhalden herauslesen können.

Retro-Robot-Toy-3

Retro-Robot-Toy-3

Viel einfacher ist es, wenn Daten in strukturierter Form vorliegen. Diese geschickt auszuwerten und daraus Schlüsse zu ziehen, wäre viel einfacher und könnte schneller und zielgerichteter genutzt werden. Innerhalb IT Service Management gehören wir bereits zu den Jägern und Sammlern von Daten. Wir zeichnen alles auf, dokumentieren und klassifizieren alle Arten von Anfragen. Nur in der Nutzung dieser Daten sind wir grösstenteils noch reine Amateure. Wir verwenden immer noch den grössten Teil der Lösungsbehebung in der Suche nach Fakten. Und wenn wir dann mal die Ursache gefunden haben, müssen wir auch eingestehen, dass der Patch bereits seit Monaten beim Lieferanten auf der Known-Error-Liste verfügbar gewesen war. Die Incident- oder Problemlösung ist dann vielfach ein Klacks, wenn man mal weiss, was Sache ist.

 

 

Machine Learning ist der neue Player in der Service- und Support-Organisation

Nun dreht sich die Welt auf für die ITSM-Gemeinde viel schneller. Im Rahmen der agilen Transformation werden viele Routine-Verfahren automatisiert und der Service Bezug durch personalisierte Portale mit Subskription-Optionen digitalisiert. Self-Service Funktionen sollen mehr sein, als verkappte FAQ-Seiten. Mittels Artificial Intelligence (AI) und Machine Learning sollen Service- und Support-Organisationen die Service- und Support-Organisationen nicht nur entlasten, sondern auch massgeblich bereichern und für bessere Customer- und User-Experience sorgen.

ML for Dummies von IBM

ML for Dummies von IBM

Machine Learning ist dabei nicht bloss ein Tool. Es ist derzeit der wichtigste Trend mit dem grössten Potential, um auf Basis der künstlichen Intelligenz und hinterlegten Algorithmen insbesondere komplexe Zusammenhänge schneller zu analysieren und Schlüsse zu ziehen. Machine Learning geht aber noch weiter: durch das Erkennen von Lösungen können selbstlernendes Wissen maschinell aufgebaut werden. Es gibt unzählige Einsatzmöglichkeiten, um mit Machine Learning effektiv Service Verbesserungen zu erzielen. Denn auch hier gilt: «A fool with a tool is still a fool». Es muss nicht jeder zu einem Artificial Intelligence Experten werden, um Machine Learning einsetzen zu können. Aber ein Basis Know-How gehört für jeden Service Management Experten einfach dazu, um die nächsten Jahre noch relevant zu sein. Ein Einstieg dazu kann das Booklet von IBM sein: «Machine Learning for Dummies».

Wichtig ist, Daten intelligent zu sammeln und zu strukturieren. Hier sind oftmals die Voraussetzungen in IT-Organisationen nicht wirklich optimal. Wenn man die Betriebsmodelle betrachtet, dann wird die Wertschöpfungskette von der Business-Idee bis zur Auslieferung und Betrieb über mehrere Silos und hemdsärmeligen Übergaben von Team zu Team in vielfach über 100 unterschiedlichen Werkzeugen abgebildet. Zusammenhänge sind so nicht einfach nachzuvollziehen. Abhilfe könnte das Betriebsmodell auf Basis von der Referenzarchitektur IT4ITTM bilden. Lesen Sie dazu meinen Blog-Beitrag «IT4IT – die Basis für eine Toolchain-Architektur».

Retro Robot Reading A Book

Retro robot reading a book. Isolated over white. Contains clipping path

Kernelement des Machine Learning sind der Aufbau von sogenannten «Knowledge item’s» KI. Wenn heute Support-Experten aufgrund von konkreten Situationen, Symptomen und Logeinträgen die Lösungen erarbeiten, so gilt es diese in Zukunft systematisch zu dokumentieren. Das Hinterlegen dieser Knowledge Items ermöglicht dem Machine Learning künftig solche Fälle selbständig zu erkennen und vielfach sogar präventiv zu erkennen. Maschine Learning geht noch weiter: es merkt sich, wann Lösungen funktionieren und wann nicht. Dadurch kann es selbstlernend sich weiter entwickeln. Das Potential ist riesig.

Argumente für Machine Learning gibt es zu Hauf: sie arbeiten ohne zu murren problemlos 24/7 das ganze Jahr hindurch. Und die Kosten gegenüber den Personalkosten von Support-Mitarbeitern lässt sich rasch amortisieren. Zudem sind sie schnell und zuverlässig und können sich in die Datenberge reinstürzen. Beispiele von Vereinfachungen in ITSM-Umgebungen sind offensichtlich:

  • Automatisierte Incident Behebung: Lösungsmuster bei wiederholenden Incidents können automatisiert umgesetzt werden. Vielfach bereits proaktiv, bevor ein Anwender sich an den Service Desk meldet. Insbesondere bei den vergessenen Passwörtern kann das sehr schnell eine Entlastung für Service Organisationen bescheren.
  • Bessere und schnellere Abwicklung von Service Requests: automatisierte Abwicklung von Service Requests ohne Intervention von Service Technikern.
  • Bessere Einschätzung von Risiken bei Changes: Durch die Kenntnisse der Zusammenhänge kann ein Change so viel objektiver beurteilt werden. Changes können so viel schneller abgewickelt werden und notwendige Massnahmen bei Problemen in die Wege geleitet werden.
  • Probleme proaktiv verhindern: Incident-Muster können besser erkannt werden. Zudem können externe Lieferanten und deren Informationen direkt eingebunden und mit der eigenen Konfiguration abgeglichen werden.
  • Fehlerhafte Assets werden schneller identifiziert: Durch intelligente Auswertung können System-Assets schneller lokalisiert und isoliert werden.

 

Robot ML

Robot ML

Man kann nun kritisch oder offen dieser Entwicklung gegenüberstehen (lesen Sie dazu auch meine Kolumne in der Netzwoche). Die Zukunft klopft nicht an und tritt einfach ein. Um relevant zu bleiben, ist es für IT Service Management Spezialisten stark zu empfehlen, sich künftig mit dieser Entwicklung auseinandersetzen. Forrester und Gartner haben den Trend bereits für dieses Jahr 2017 angekündigt (link). Es ist mittlerweile nicht mehr zu übersehen – wer heute eine ITSM-Lösung evaluiert, sollte zwingend die Fähigkeiten zur Integration von «Machine-Learning»-Capabilities sicherstellen. Zu was Machine Learning Lösungen fähig sind, wird eindrücklich von den heutigen Anbietern solcher Lösungen offenbart. Zum Beispiel HIROTM von Arago für Service Organisationen. Oder IBM Watson für Prozessautomatisierung generell. Bei vielen Unternehmen ist das Thema bereits sehr aktuell, wie diese Umfrage von ServiceNow bei über 500 CIOs ergab (link).

Machine Learning ist eine riesige Chance für IT Service Management. Man muss sie nur zu nutzen wissen. Im neuen Jahr 2018 wird es bestimmt genügend Gelegenheiten dazu geben.


 

No Comments

Post a Comment